Statistikada vaqt qatorlari tahlili
Vaqt qatorlari tahlili - bu statistikaning bir sohasi bo'lib, u vaqt o'tishi bilan ketma-ket to'plangan ma'lumotlarni, masalan, kunlik, haftalik, oylik yoki yillik ma'lumotlarni o'rganadi. Vaqtning bir nuqtasida to'planadigan kesma ma'lumotlardan farqli o'laroq, vaqt qatorlari tahlili vaqt o'tishi bilan rivojlanadigan o'zgarish dinamikasi va naqshlarni ta'kidlaydi. Iqtisodiyot, biznes, sog'liqni saqlash, energetika va hatto iqlim sohasidagi ko'plab muhim qarorlar o'tmishdagi tendentsiyalarni tushunish va kelajakdagi tendentsiyalarni bashorat qilishga bog'liq bo'lganligi sababli, vaqt qatorlari tahlili tadqiqot va amaliyotda muhim vositadir.
Vaqt qatorlari ma'lumotlarining xususiyatlari
Vaqt qatorlarining asosiy xususiyati shundaki, unda muhim ma'lumotlarni yo'qotmasdan aralashtirib bo'lmaydigan ketma-ketlik mavjud. Bugungi qiymat odatda kechagi qiymat bilan bog'liq bo'ladi va bu oyning qiymatiga yillik naqshlar ta'sir qilishi mumkin. Bu vaqtlararo bog'liqlik avtokorrelyatsiya deb ataladi. Bundan tashqari, vaqt qatorlari ko'pincha trendlar (uzoq muddatli harakatlar), mavsumiylik (vaqt o'tishi bilan takrorlanadigan naqshlar), sikllar (har doim ham muntazam bo'lmagan oraliq muddatli to'lqinlar) va shovqin yoki tasodifiy xatolar kabi komponentlarni namoyish etadi.
Masalan, chakana savdo hajmi bayramlar atrofida (mavsumiy) o'sishga moyil bo'ladi, ammo ular iqtisodiy o'sish (trend) tufayli yildan-yilga sekin o'sishi mumkin. Kutilmagan hodisalar - masalan, ta'minotdagi uzilishlar yoki siyosatdagi o'zgarishlar tufayli tebranishlar tasodifiy komponentga kiradi.
Vaqt qatorlari tahlilining maqsadi
Umuman olganda, vaqt qatorlari tahlilining bir nechta asosiy maqsadlari mavjud. Birinchidan, u ma'lumotlar naqshlarini qisqa va ma'lumotli tarzda tasvirlaydi, masalan, tendentsiyalarni mavsumiylikdan ajratish orqali. Ikkinchidan, u statistik modellar orqali ma'lumotlarni shakllantirish mexanizmlarini tushuntiradi, bu bizga vaqt o'tishi bilan qiymatlarning o'zgarishi ortidagi jarayonlarni tushunishga imkon beradi. Uchinchidan, u tarixiy naqshlar asosida kelajakdagi qiymatlarni baholaydigan bashorat qiladi. To'rtinchidan, u iqtisodiy inqirozlar, bozor xatti-harakatlaridagi o'zgarishlar yoki ma'lumotlarning og'ishiga olib keladigan o'lchash vositalarining noto'g'ri ishlashi kabi anomaliyalar yoki tarkibiy o'zgarishlarni aniqlaydi.
Birinchi qadamlar: Vizualizatsiya va tadqiqot
Odatdagi dastlabki qadam ma'lumotlarni vaqtga nisbatan grafik tuzishdir. Oddiy vizualizatsiyalar ko'pincha yuqoriga yoki pastga yo'naltirilgan tendentsiyalarni, mavsumiy naqshlarni va chetga chiqishlarni ochib beradi. Keyin dastlabki statistik tahlil amalga oshiriladi, masalan, qisqa muddatli tebranishlarni yumshatish uchun harakatlanuvchi o'rtacha qiymatni hisoblash yoki trend, mavsumiy va qoldiq komponentlarni ajratish uchun vaqt qatorlarini dekompozitsiya qilish.
Grafiklardan tashqari, vaqt qatorlarini o'rganishda ikkita muhim vosita avtokorrelyatsiya funktsiyasi (ACF) va qisman avtokorrelyatsiya funktsiyasi (PACF) hisoblanadi. ACF turli kechikishlardagi (masalan, 1 kun oldin, 2 kun oldin va hokazo) joriy qiymat va qiymatlar o'rtasidagi bog'liqlik qanchalik kuchli ekanligini ko'rsatadi. PACF kichikroq kechikishlar ta'sirini nazorat qilgandan so'ng, kechikishning bevosita ta'sirini aniqlashga yordam beradi. ACF va PACF dan olingan ma'lumotlar to'g'ri modelni tanlash uchun juda foydali.
Statsionarlik tushunchasi
Ko'pgina klassik vaqt qatorlari usullari, ayniqsa ARIMA oilasi, ma'lumotlar statsionar deb taxmin qiladi. Statsionar vaqt qatori uning statistik xususiyatlari (masalan, o'rtacha va dispersiya) vaqt o'tishi bilan nisbatan doimiy ekanligini va avtokorrelyatsiya faqat vaqt oralig'iga bog'liqligini, mutlaq vaqtga emasligini anglatadi.
Agar ma'lumotlar kuchli tendentsiyani yoki aniq mavsumiylikni namoyon qilsa, u odatda statsionar emas. Uni statsionar qilish uchun tahlilchilar ko'pincha dispersiyani barqarorlashtirish uchun differentsiyalash (davrlar orasidagi farqni olish) yoki log transformatsiyalari kabi o'zgarishlardan foydalanadilar. Kengaytirilgan Dickey-Fuller (ADF) yoki KPSS kabi rasmiy testlar statsionarlikni baholashga yordam berishi mumkin, garchi ularni talqin qilish hali ham kontekstual tushunish va vizual tekshirishning kombinatsiyasini talab qilsa ham.
Ommabop vaqt seriyasi modellari
1. Harakatlanuvchi o'rtacha model va eksponensial tekislash
Silliqlash usullari qisqa muddatli prognozlashda keng qo'llaniladi. Harakatlanuvchi o'rtacha ko'rsatkichlar keyingi davrni bashorat qilish uchun so'nggi bir necha davrlarning o'rtacha qiymatini oladi. Eksponensial tekislash eng so'nggi kuzatuvlarga ko'proq ahamiyat beradi. Oddiy eksponensial tekislash kabi usullar trendsiz va mavsumiy ma'lumotlar uchun mos keladi, Holt usuli esa trendlarni, Holt-Winters esa ham trendlarni, ham mavsumiylikni hisobga oladi.
Silliqlash usullarining afzalliklari shundaki, ular oddiy, tezkor va ko'pincha operatsion maqsadlar uchun yaxshi ishlaydi. Biroq, ular har doim ham avtokorrelyatsiya tuzilishini to'liq talqin qilavermaydi.
2. AR, MA va ARIMA
Avtoregressiv (AR) model joriy qiymatlar o'tgan qiymatlarga bog'liqligini ta'kidlaydi. Harakatlanuvchi o'rtacha (MA) modeli joriy qiymatlarga o'tgan xatolar ta'sir qilishini ta'kidlaydi. Ikkalasining kombinatsiyasi ARMA deb ataladi va ma'lumotlarni statsionar holga keltirish uchun farqlash kerak bo'lganda, model ARIMA (Avtoregressiv integratsiyalashgan harakatlanuvchi o'rtacha) ga aylanadi. ARIMA ARIMA(p, d, q) shaklida yoziladi, bu yerda p AR tartibi, d farqlash tartibi va q MA tartibi.
Parametrlarni tanlash odatda ACF/PACF va AIC yoki BIC kabi axborot mezonlari bilan yordam beradi. ARIMA o'zining moslashuvchanligi va kuchli nazariy asosi tufayli uzoq vaqtdan beri iqtisodiy va biznes prognozlashda standart bo'lib kelgan.
3. Mavsumiy uchun SARIMA
Agar ma'lumotlar aniq mavsumiylikka ega bo'lsa — masalan, oylik-yillik naqsh — ARIMA modeli SARIMA (Mavsumiy ARIMA) ga kengaytiriladi. Ushbu model ma'lum bir mavsumiy davr uchun AR, farqlash va MA parametrlarini o'z ichiga olgan mavsumiy komponentni qo'shadi (masalan, oylik ma'lumotlar uchun 12). SARIMA oyiga sayyohlar soni, kunlik naqsh bilan soatlik elektr energiyasi iste'moli yoki mavsumiy mahsulotga talab kabi ma'lumotlar uchun samarali hisoblanadi.
4. Ko'p o'zgaruvchili uchun VAR
Ko'pgina hollarda, biz bir vaqtning o'zida bir nechta vaqt qatorlarini, masalan, inflyatsiya, foiz stavkalari va valyuta kurslarini tahlil qilamiz. Vektorli avtoregressiya (VAR) har bir o'zgaruvchiga o'zining o'tmishdagi qiymatlari va boshqa o'zgaruvchilar ta'sir qilish imkonini beradi. VAR ekonometrikada tizim dinamikasini va zarbalarning ta'sirini impulsli javob tahlili orqali o'rganish uchun keng qo'llaniladi.
5. O'zgaruvchanlik modeli: ARCH/GARCH
Moliyaviy ma'lumotlarda o'zgaruvchanlik ko'pincha klasterlarda uchraydi: tinchlik davrlari va undan keyin yuqori o'zgaruvchanlik davrlari. ARCH va GARCH modellari vaqt o'tishi bilan o'zgarib turadigan dispersiyani modellashtirish uchun mo'ljallangan. Ushbu modellar risklarni boshqarish, aktivlarni baholash va bozor noaniqligini o'lchashda muhimdir.
Modelni baholash va prognozlashning aniqligi
Model tanlangandan so'ng, biz uning yetarliligini baholashimiz kerak. Qoldiqlar (haqiqiy va bashorat qilingan ma'lumotlar orasidagi farq) tasodifiy shovqinga o'xshash bo'lishi kerak: naqshsiz, avtokorrelyatsiyasiz va nisbatan barqaror dispersiyaga ega. Ljung-Box testi ko'pincha qoldiq avtokorrelyatsiyani tekshirish uchun ishlatiladi.
Prognoz sifatini o'lchash uchun MAE (O'rtacha mutlaq xato), RMSE (O'rtacha kvadratik xato) va MAPE (O'rtacha mutlaq foiz xatosi) kabi ko'rsatkichlar qo'llaniladi. Yaxshi amaliyot shundaki, ma'lumotlarni tasodifiy bo'linish o'rniga vaqtga asoslangan o'quv va sinov ma'lumotlariga (vaqtga asoslangan bo'linish) ajratish kerak, shunda baholash haqiqiy prognozlash shartlarini aks ettiradi.
Vaqt seriyasidagi keng tarqalgan muammolar
Vaqt qatorlarini tahlil qilish ko'pincha ma'lumotlarning yo'qligi, o'lchov ta'riflaridagi o'zgarishlar, haddan tashqari chetga chiqishlar va strukturaviy uzilishlar kabi qiyinchiliklarga duch keladi. Masalan, pandemiya iste'mol modellarini keskin o'zgartirishi mumkin, bu esa pandemiyadan oldingi davrlarda o'qitilgan modellarni kamroq aniq qiladi. Bunday vaziyatlarda modellarni yangilash, ekzogen o'zgaruvchilardan foydalanish yoki moslashuvchanroq yondashuv zarur bo'lishi mumkin.
Bundan tashqari, ma'lumotlarning vaqt aniqligi va uzunligi qo'llanilishi mumkin bo'lgan usullarga sezilarli darajada ta'sir qiladi. Yuqori chastotali ma'lumotlar (masalan, daqiqasiga) shovqin va hisoblashni maxsus qayta ishlashni talab qiladi, yillik ma'lumotlar esa mavsumiylikni aniq aniqlash uchun juda qisqa bo'lishi mumkin.
Yopish
Statistikada vaqt qatorlari tahlili vaqt o'tishi bilan o'zgarib turadigan ma'lumotlarni tushunish uchun boy asos yaratadi. Trend, mavsumiylik va avtokorrelyatsiya komponentlarini tanib olish va eksponensial tekislashdan ARIMA, VAR va GARCHgacha bo'lgan to'g'ri modelni tanlash orqali biz aniqroq prognozlar tuzishimiz va aniqroq tushunchalarga ega bo'lishimiz mumkin. Biroq, muvaffaqiyatli tahlil nafaqat texnikaga, balki kontekstni tushunishga, ma'lumotlar sifatiga va qat'iy baholashga ham bog'liq. Real vaqt ma'lumotlariga tobora ko'proq bog'liq bo'lgan dunyoda vaqt qatorlarini tahlil qilish qobiliyati tadqiqotchilar va amaliyotchilar uchun tobora muhim ko'nikmaga aylanib bormoqda.
